关键词： 水下生物   多尺度目标检测   YOLO v7   空洞卷积   上采样算子   相似性度量  

摘要： 针对水下目标检测面临着生物尺度变化大以及样本不均衡的问题,本文提出一种水下生物多尺度目标检测方法(Underwater multi-scale-YOLO v7,UMS-YOLO v7)。首先,设计一种由可切换空洞卷积组成的特征提取模块,该模块可在不同大小的感受野上捕获多尺度目标特征,使得提取的特征信息更加全面;其次,使用轻量级的上采样算子融合上下文信息,提高模型对目标的特征学习能力;最后,通过结合Wise-IoU和归一化Wasserstein距离两种相似性度量,提高了不同尺度目标的定位精度,同时降低了多尺度样本分布不均衡对模型的影响。实验结果表明,该模型相较于当前其他模型在检测精度方面表现出明显的提升,在RUOD和DUO数据集上平均精度均值分别达到64.5%和68.9%。与YOLO v7模型相比,UMS-YOLO v7提高了多种尺度目标检测精度,在DUO数据集上,针对大、中、小3种尺度目标平均精度均值分别提升8.3、4.8、12.5个百分点,其中小目标提升效果最为显著。与现有的其他模型相比,改进的模型具有更高的检测精度,更适用于水下生物多尺度目标检测任务,并且针对不同数据分布的样本具有泛化性和鲁棒性。

关键词： 海水透明度   自适应检测   遥感数据   图像处理   分析  

摘要： 为了减少海水遥感数据模态多样对海水透明度遥感反演的影响,通过在对水色卫星遥感数据预处理标注,完成数据的交叉校准、质量控制,开展海水透明度智能分析,将不完全、多模态海水透明度遥感数据投影到统一共享特征子空间,通过对数据自适应检测分析、智能化处理,建立海水透明度遥感数据智能分析模型。并利用模型对观测点海水透明度开展反演分析,验证了深度模型具有良好的预测能力,实现少标注下遥感透明度数据的智能分析。

关键词： AI绘画   生成式人工智能   计算机视觉   可控图像生成  

摘要： 随着计算机视觉和人工智能技术的快速发展,AI绘画逐渐成为数字艺术研究的热点。在艺术学领域,从艺术角度反思技术的研究已较多见,而从技术角度考察艺术则鲜有涉及,因此有必要以技术发展为主线回顾AI绘画的演进,剖析从早期计算机制图、基于规则的图形图像算法到基于深度学习的图像生成三个阶段的发展历程,进一步审视当前AI绘画领域的主流技术,包括文本生成图像、模型微调和可控图像生成等方法。在此基础上,探讨AI绘画面临的技术局限、版权争议、伦理风险等问题,有助于呈现未来AI绘画技术的发展图景。

关键词： 目标检测   深度学习   遥感图像   信息收集和分发机制   NWD损失函数  

摘要： 遥感图像中的目标具有尺度多样、多类别以及背景复杂等特点,使得用于自然图像的目标检测算法在遥感图像目标检测中存在较多的漏检误检和精确度较低等现象。针对这些问题,提出一种基于YOLOv7改进的信息收集和分发机制的遥感图像目标检测算法。首先,设计一个信息收集和分发模块,用一个统一的模块收集不同特征图的信息并进行融合,将融合后的信息分发给需要的特征图,从而可以避免传统特征融合网络中固有的信息丢失,增强模型的特征融合能力从而提升模型的精确度。其次,NWD损失函数替换CIoU损失函数,缓解基于IoU的损失函数对小目标位置偏差的敏感,减少目标的漏检和误检。为了提升模型的收敛速度,设计一个超参数,同时使用NWD损失函数和IoU损失函数。在公开数据集RSOD上进行的实验结果表明,在复杂多样的情况下,改进后算法的平均精度均值(mAP)达到96.5%,相较原YOLOv7算法提升了15.8百分点,证明了改进后算法的适用性和有效性。

关键词： STM32   OpenMV   PID控制   颜色识别   图像处理  

摘要： 运动目标控制与自动追踪一直是计算机视觉领域中的难点与热点,为准确、稳定地实现运动目标控制与自动追踪,本文以单片机STM32F103C8T6 和 OpenMV 为核心设计了运动目标控制与自动追踪系统,其中运动目标控制系统以单片机为控制核心,由云台、OpenMV、电池、稳压模块、按键等模块构成,通过OpenMV的图像识别处理,识别黑色边框,并发送数据给单片机,由单片机控制云台使激光笔打在指定位置;自动追踪系统以 OpenMV 为控制核心,由电池、稳压模块、按键等模块构成,该系统采用PID控制、颜色识别、图像处理等方法,通过识别白屏内的红色激光,控制云台移动绿色激光,在 2s 内对其进行追踪,追踪成功时发出声光提示。实验结果表明,本系统设计开发成本低,具有较高的控制与追踪精度。

关键词： 图像增强   水下目标跟踪   注意力机制   分布估计   概率网络  

摘要： 水下视觉目标跟踪(UVOT)任务不仅需要应对常见的露天跟踪挑战,而且还需要面对水下环境所特有的诸多挑战,包括但不限于光学退化和散射、光照不均、能见度低、水动力学等影响。在这种情况下,直接将大量传统的露天场景目标跟踪方法应用于水下场景,其性能下降是难以避免的。为了解决上述问题,首先引入一种基于不确定性启发的水下图像增强(UIE)模块,将UIE拆分为分布估计和共识过程,并利用一种新的概率网络来学习水下图像的增强分布,以解决参考图像的偏差问题。然后将UIE模块应用于基于注意力的特征融合网络,提出水下目标跟踪算法UTransT,其中的特征融合网络结合自注意力和交叉注意力机制,以便有效地融合模板特征和搜索区域特征。实验结果表明:在UTB180数据集上,UTransT的成功率相比于对比算法中表现最优的MixFormer提高了0.8百分点、归一化精度提高了1.9百分点;在VMAT数据集上,其成功率相比对比算法中表现最优的掩盖外观转移(MAT)算法提高了1.2百分点、归一化精度提高了1.5百分点;UTransT能够以65帧/s的速度进行实时跟踪。这验证了所提算法在改善水下目标跟踪任务中的有效性和可行性。

关键词： 计算机图像处理技术   纸张匀度模型   Jordan比周长   梯度法  

摘要： 计算机图像处理技术与造纸工业的结合,引起了国内外学者的广泛关注和研究,基于计算机图像处理技术的纸张缺陷检测、纸张匀度评价等是造纸行业关键技术。纸张匀度是纸张在三维方向上的质量均匀性,直接影响成纸的印刷性能、物理性能。对此,围绕纸张匀度检测工作,简述了计算机图像处理技术的应用原理与思路,重点利用标准匀度指数、Jordan比周长和傅里叶变换结合梯度法构建纸张匀度模型,采用试验的方法验证了这些纸张匀度模型的可行性与准确性。

关键词： 鱼眼摄像头   轻量级网络   YOLOv8m   参数共享机制   剪枝  

摘要： 鱼眼摄像头较普通摄像头检测相同场景时,部署成本更低,但要达到精准检测鱼眼图像中畸变目标的目的,就需要增加计算量。针对这种鱼眼图像检测精度和推理速度不能兼得的问题,提出一种改进的YOLOv8m鱼眼图像目标检测模型(Fisheye-YOLOv8)。首先,提出Faster-EMA模块,通过融合轻量级卷积和多尺度注意力,减少特征提取中的延时和复杂度;然后,设计了RFA-BiFPN结构,基于参数共享机制,通过感受野注意力和加权双向金字塔结构,同时提高检测速度和精度;其次,提出轻量级检测头G-LHead,减少了模型参数量和复杂度;最后,引入LAMP剪枝算法,在提高识别精度和推理速度间取得平衡。实验结果表明,Fisheye-YOLOv8在Fisheye8K和WoodScape数据集上的平均精度均值(mAP)达到60.5%和59.7%,较YOLOv8m提升了2.2百分点和1.2百分点,参数量与计算量仅为YOLOv8m的20.5%和29.7%,检测速度达到118 frame/s,满足实时性要求,相较于其他模型,更适合在鱼眼摄像头上部署。

关键词： 车载视觉传感器   多目标检测   跟踪技术   无人驾驶   车辆与行人检测  

摘要： 汽车在现代社会生活中扮演着举足轻重的角色,其极大地便利人们的出行,但与此同时,也引发诸如环境污染和交通拥堵等社会问题。为应对这些挑战,国内外学者正积极投身于无人驾驶技术的研究。其中,车辆与行人检测技术是无人驾驶技术的关键环节,但鉴于车辆与行人特征的多样性,使用单一的特征提取和分类方法进行检测变得异常困难。然而,深度学习的目标检测方案凭借其复杂的神经网络结构,成功攻克这一难题,因此备受国内外学者的关注。该文旨在通过深入剖析基于深度学习的目标检测以及基于SORT的多目标跟踪原理,为车载视觉传感器的研发创新提供有益的参考和启示。

关键词： 视觉相机   激光雷达   目标检测   多目标跟踪   无人车  

摘要： 为提高无人车障碍物检测跟踪的精度和稳定性,首先针对YOLO v5(You only look once version 5,YOLO v5)网络存在的语义信息和候选框信息丢失的问题,引入深度可分离空洞空间金字塔结构与目标框加权融合算法完成对网络的优化;其次针对单阶段障碍物点云聚类精度低的问题,设计一种考虑点云距离与外轮廓连续性的两阶段障碍物点云聚类方法并完成三维包围盒的建立;最后将注意力机制引入MobileNet使网络更加聚焦于目标对象特有的视觉特征,并综合利用视觉特征和三维点云信息共同构建关联性度量指标,提高匹配精度。利用KITTI数据集对构建的障碍物目标检测、跟踪与测速算法进行仿真测试,并搭建实车平台进行真实环境试验,验证所提算法的有效性和真实环境可迁移性。